CN115660211A - 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法 - Google Patents
基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法 Download PDFInfo
- Publication number
- CN115660211A CN115660211A CN202211409565.6A CN202211409565A CN115660211A CN 115660211 A CN115660211 A CN 115660211A CN 202211409565 A CN202211409565 A CN 202211409565A CN 115660211 A CN115660211 A CN 115660211A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- data
- injection amount
- ammonia injection
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 title claims abstract description 216
- 239000004568 cement Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 33
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 321
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 158
- 238000002347 injection Methods 0.000 claims abstract description 119
- 239000007924 injection Substances 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000005507 spraying Methods 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 8
- 239000003546 flue gas Substances 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 239000000243 solution Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 2
- 235000011114 ammonium hydroxide Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Treating Waste Gases (AREA)
Abstract
本发明属于数据处理技术领域,具体涉及基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,包括智能控制服务器获取水泥窑尾现场的历史数据,根据历史数据构建第一预测模型的第一训练数据集;智能控制服务器构建第一预测模型,同时通过第一训练数据集对于第一预测模型进行训练,并且智能控制服务器构建第二预测模型,还基于第一预测模型的输出结果建立第二预测模型的第二训练数据集,通过第二训练数据集训练第二预测模型;在水泥窑尾现场中,物联网采集设备收集实时数据,智能控制服务器将实时数据输入第一预测模型和第二预测模型,以得到最终喷氨量预测值,本发明能够实现对于水泥窑尾现场的喷氨量的自动精准控制。
Description
技术领域
本发明属于数据处理技术领域,具体涉及基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法。
背景技术
当前每天都有大量的水泥窑在运行,运行中会产生大量的窑尾烟气,窑尾烟气的主要组成部分是氮氧化物,在现有技术中为了使窑尾烟气中的氮氧化物的含量符合环保标准,一般需要依靠人工手动调节氨水的喷量来实现降低氮氧化物的含量的目的,然而,在通过人工操作现场设备进行喷氨时,难以精准掌握喷氨量,容易出现过量喷氨,从而造成氨气的浪费的技术问题,或者发生喷氨量不足,不能使窑尾烟气中的氮氧化物的含量降低到符合环保标准的技术问题,由此,本发明提出基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法来解决上述的技术问题具有十分重要的现实意义。
发明内容
本发明获取水泥窑尾现场的历史氮氧化物折算值和历史喷氨量,用来构建第一预测模型的第一训练数据集,同时基于第一预测模型的输出结果构建第二预测模型的第二训练数据集,并且分别使用第一训练数据集和第二训练数据集对于第一预测模型和第二预测模型进行线下训练,还收集水泥窑尾现场的实时氮氧化物折算值,继续对于第二预测模型进行线上训练,旨在实现自动精准控制水泥窑尾现场的喷氨量。
为了达到上述的发明目的,本发明给出如下所述的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,主要包括以下的步骤:
智能控制服务器获取水泥窑尾现场的历史数据,所述历史数据包括历史氮氧化物折算值,以及与所述历史氮氧化物折算值相对应的历史喷氨量,并且所述智能控制服务器存储所述历史数据,根据所述历史数据构建第一预测模型的第一训练数据集;
所述智能控制服务器构建所述第一预测模型,同时通过所述第一训练数据集对于所述第一预测模型进行训练,并且所述智能控制服务器构建第二预测模型,还基于训练后的所述第一预测模型的输出结果建立所述第二预测模型的第二训练数据集,通过所述第二训练数据集训练所述第二预测模型;
在水泥窑尾现场中,物联网采集设备收集实时数据,所述实时数据包括实时氮氧化物折算值,并且所述物联网采集设备将收集的所述实时数据通过物联网发送给所述智能控制服务器,所述智能控制服务器将所述实时数据输入所述第一预测模型和所述第二预测模型,以得到与所述实时数据相对应的最终喷氨量预测值,同时所述智能控制服务器将所述最终喷氨量预测值通过物联网发送回水泥窑尾现场。
作为本发明的一种优选技术方案,所述智能控制服务器存储所述历史数据,根据所述历史数据构建第一预测模型的第一训练数据集,包括如下的步骤:
从所述历史数据中随机选择预设个数的数据记录,一个数据记录包括一个所述历史氮氧化物折算值和相应的一个所述历史喷氨量,并且根据与每个数据记录相对应的喷氨结果对于每个数据记录进行标注;
将所述历史数据中的每个数据记录都表示为特征向量,并且基于所述特征向量对于各个数据记录进行聚类处理,以得到不同类别的数据记录,还舍弃其中的数据记录的个数少于预设的个数阈值的类别;
在不同类别的数据记录中,判断每个数据记录是否是进行过标注的数据记录,若是,则舍弃相应类别的数据记录,反之,则从相应类别的数据记录中随机选择预设个数的数据记录,并且根据与数据记录相对应的喷氨结果对于数据记录进行标注;
基于进行过标注的数据记录,从中选择喷氨结果为成功的全部的数据记录,并且形成所述第一训练数据集。
作为本发明的一种优选技术方案,将所述历史数据中的每个所述数据记录都表示为特征向量的过程指的是,将每个所述数据记录的特征量按照预设的顺序排列形成相应的特征向量,所述特征量包括与所述数据记录相对应的水泥窑尾现场温度,以及水泥窑尾现场风速。
作为本发明的一种优选技术方案,所述智能控制服务器构建第二预测模型,还基于训练后的所述第一预测模型的输出结果建立所述第二预测模型的第二训练数据集,包括如下的步骤:
所述智能控制服务器将所述第一训练数据集中的各个所述历史氮氧化物折算值输入到训练后的所述第一预测模型,所述第一预测模型分别输出与各个所述历史氮氧化物折算值相对应的喷氨量预测值;
所述智能控制服务器基于所述第一训练数据集,分别计算与所述第一训练数据集中的各个所述历史氮氧化物折算值相对应的各个所述历史喷氨量,和所述第一预测模型对于相应的各个所述历史氮氧化物折算值的喷氨量预测值之间的喷氨量差值;
所述智能控制服务器使用所述第一训练数据集中的各个所述历史氮氧化物折算值,以及与所述第一训练数据集中的各个所述历史氮氧化物折算值相对应的各个喷氨量差值形成所述第二训练数据集。
作为本发明的一种优选技术方案,所述智能控制服务器得到与所述实时数据相对应的最终喷氨量预测值,包括如下的步骤:
所述智能控制服务器将所述实时数据同时输入所述第一预测模型,以及所述第二预测模型,所述第一预测模型输出与所述实时数据中的所述实时氮氧化物折算值相对应的喷氨量预测值,并且所述第二预测模型输出与所述实时数据中的所述实时氮氧化物折算值相对应的所述第一预测模型的喷氨量预测值与相应的喷氨量实际值之间的喷氨量差值预测值;
所述智能控制服务器根据所述第一预测模型输出的喷氨量预测值和所述第二预测模型输出的所述喷氨量差值预测值,得到与所述实时数据中的所述实时氮氧化物折算值相对应的初始喷氨量预测值;
在预设的时间之后,基于得到的不同的所述实时数据的所述初始喷氨量预测值,分别计算各个所述初始喷氨量预测值与相应的喷氨量实际值之间的误差,当全部误差的平均值小于预设的误差平均值阈值时,此后使用所述第一预测模型和所述第二预测模型产生所述最终喷氨量预测值,反之,此后使用所述第一预测模型输出的喷氨量预测值与相应的喷氨量实际值之间的喷氨量差值,以及相应的所述实时数据来继续训练所述第二预测模型。
本发明还提供基于大数据和物联网的降低水泥窑尾氮氧化物的控制系统,主要包括以下的模块:
控制模块,用于获取水泥窑尾现场的历史数据,根据历史数据构建第一预测模型的第一训练数据集,以及基于训练后的第一预测模型的输出结果建立第二预测模型的第二训练数据集,并且用于训练第一预测模型和第二预测模型,还用于将实时数据输入第一预测模型和第二预测模型得到最终喷氨量预测值,并且将喷氨量预测值发送回水泥窑尾现场;
物联网模块,用于实现物联网通信技术,负责在控制模块和采集模块之间传送数据;
采集模块,用于收集水泥窑尾现场的历史数据和实时数据,并且将历史数据和实时数据通过物联网模块发送给控制模块,还用于接收来自控制模块的最终喷氨量预测值,以实现对于水泥窑尾现场的喷氨量的精准控制。
与现有技术相比,本发明的有益效果至少如下所述:
1、本发明首先通过智能控制服务器获取水泥窑尾现场的历史数据,根据历史数据构建第一预测模型的第一训练数据集;其次通过智能控制服务器构建第一预测模型,同时使用第一训练数据集对于第一预测模型进行训练,并且通过智能控制服务器构建第二预测模型,还基于第一预测模型的输出结果建立第二预测模型的第二训练数据集,通过第二训练数据集训练第二预测模型;最后在水泥窑尾现场中,通过物联网采集设备收集实时数据,并且令智能控制服务器将实时数据输入第一预测模型和第二预测模型,以得到最终喷氨量预测值。
2、本发明解决了人工操作现场设备进行喷氨时,难以精准掌握喷氨量,容易出现过量喷氨,造成的氨气浪费的技术问题,以及发生喷氨量不足,不能使窑尾烟气中的氮氧化物含量降低到符合环保标准的技术问题,本发明对于第一预测模型和第二预测模型进行了线上训练和线下训练,能够确保得到精准的喷氨量预测值,实现对于水泥窑尾现场的喷氨量的自动控制。
附图说明
图1为本发明的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法的步骤流程图;
图2为本发明的基于大数据和物联网的降低水泥窑尾氮氧化物的控制系统的组成结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
发明人在实际中发现水泥窑在运行中会产生大量的窑尾烟气,窑尾烟气的主要组成部分是氮氧化物,在现有技术中为了使窑尾烟气中的氮氧化物的含量符合环保标准,一般需要依靠人工手动调节氨水的喷量来实现降低氮氧化物的含量的目的,然而,在通过人工操作现场设备进行喷氨时,难以精准掌握喷氨量,容易出现过量喷氨,从而造成氨气的浪费的技术问题,或者发生喷氨量不足,不能使窑尾烟气中的氮氧化物的含量降低到符合环保标准的技术问题。
为了解决上述技术问题,本发明给出了如图1所示的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,主要通过执行如下的步骤过程来实现:
步骤一、智能控制服务器获取水泥窑尾现场的历史数据,上述历史数据包括历史氮氧化物折算值,以及与上述历史氮氧化物折算值相对应的历史喷氨量,并且上述智能控制服务器存储上述历史数据,根据上述历史数据构建第一预测模型的第一训练数据集。其中,上述历史喷氨量为人工操作现场设备进行喷氨时的喷氨量,可能存在着喷氨量过量,或者是喷氨量不足的问题。
具体的,针对人工无法精准控制水泥窑尾现场的喷氨量的难题,发明人考虑到机器学习模型能够轻松将复杂问题转化成数学计算问题,并且能够取得明确的计算结果,机器学习模型需要使用大量的经验数据进行训练,而水泥窑尾现场刚好能够产生大量的经验数据,同时,当前发展成熟的大数据存储技术允许对于大量的经验数据进行存储,由此,发明人提出使用水泥窑尾现场产生的大数据训练机器学习模型,使得机器学习模型能够输出对于水泥窑尾现场的喷氨量的预测值,实现自动控制喷氨量,上述第一预测模型即为机器学习模型的一种。
进一步的,上述智能控制服务器存储上述历史数据,根据上述历史数据构建第一预测模型的第一训练数据集,包括如下的步骤:
第一步、从上述历史数据中随机选择预设个数的数据记录,一个数据记录包括一个上述历史氮氧化物折算值和相应的一个上述历史喷氨量,并且根据与每个数据记录相对应的喷氨结果对于每个数据记录进行标注;
第二步、将上述历史数据中的每个数据记录都表示为特征向量,并且基于上述特征向量对于各个数据记录进行聚类处理,以得到不同类别的数据记录,还舍弃其中的数据记录的个数少于预设的个数阈值的类别;
第三步、在不同类别的数据记录中,判断每个数据记录是否是进行过标注的数据记录,若是,则舍弃相应类别的数据记录,反之,则从相应类别的数据记录中随机选择预设个数的数据记录,并且根据与数据记录相对应的喷氨结果对于数据记录进行标注;
第四步、基于进行过标注的数据记录,从中选择喷氨结果为成功的全部的数据记录,并且形成上述第一训练数据集。
具体的,在上述第一步到上述第四步中,首先从历史数据中随机选择一定个数的数据记录,该个数根据实际需要进行设定,同时还对选择出的每个数据记录都进行标注,具体做法是如果与每个数据记录相对应的喷氨结果为成功,那么就进行成功的标注,否则的话,那么就进行失败的标注,喷氨结果为成功即喷氨后使得氮氧化物折算值满足环保标准,或者说喷氨后使得氮氧化物折算值降低到目标值,其次将历史数据中的每个数据记录都表示成特征向量,并且将特征向量之间距离较近的数据记录分为一个类别,而将特征向量之间距离较远的数据记录分为不同的类别,还分别检查不同类别中的数据记录的个数是不是小于个数阈值,如果小于的话,相应类别中的数据记录是噪声数据的可能性比较大,为了确保训练后的第一预测模型的预测准确度,应该删除该类别中的数据记录,再次继续检查不同类别中的各个数据记录是不是被标注过,如果被标注过,那么就删除相应类别的数据记录,留下那些不包含被标注过的数据记录的类别,并且从中选择一定个数的数据记录,该个数也根据实际情况进行设定,还使用相同的方法对于这些数据记录进行标注,最后将全部被标注为成功的数据记录形成第一训练数据集,形成第一训练数据集的方式不限于此,也可以从第一次标注的数据记录中选择被标记为成功的数据记录组成第一训练数据集,而将第二次标注的数据记录中的被标记为成功的数据记录当作第一训练数据集的补充数据集,该方式能够实现对于第一训练数据集的灵活补充。
进一步的,将上述历史数据中的每个数据记录都表示为特征向量的过程指的是,将每个数据记录的特征量按照预设的顺序排列形成相应的特征向量,上述特征量包括与数据记录相对应的水泥窑尾现场温度,以及水泥窑尾现场风速。
具体的,在水泥窑尾现场中,氮氧化物与氨气发生化学反应以降低水泥窑尾现场中的氮氧化物含量的效果,与水泥窑尾现场温度,和水泥窑尾现场风速等特征量有关系,因此当使用这些特征量建立每个数据记录的特征向量,并且再基于特征向量之间距离的远近对于全部的数据记录进行分类,从而从不同类别的数据记录中选择相应的数据记录组成第一训练数据集,能够确保第一训练数据集不会偏向于某一类别的数据记录,能够提高训练后的第一预测模型的预测准确度。
步骤二、上述智能控制服务器构建上述第一预测模型,同时通过上述第一训练数据集对于上述第一预测模型进行训练,并且上述智能控制服务器构建第二预测模型,还基于训练后的上述第一预测模型的输出结果建立上述第二预测模型的第二训练数据集,通过上述第二训练数据集训练上述第二预测模型。其中,上述第二预测模型也为机器学习模型中的一种。
进一步的,上述智能控制服务器构建第二预测模型,还基于训练后的上述第一预测模型的输出结果建立上述第二预测模型的第二训练数据集,包括如下的步骤:
第一步、上述智能控制服务器将上述第一训练数据集中的各个上述历史氮氧化物折算值输入到训练后的上述第一预测模型,上述第一预测模型分别输出与各个上述历史氮氧化物折算值相对应的喷氨量预测值;
第二步、上述智能控制服务器基于上述第一训练数据集,分别计算与上述第一训练数据集中的各个上述历史氮氧化物折算值相对应的各个上述历史喷氨量,和上述第一预测模型对于相应的各个上述历史氮氧化物折算值的喷氨量预测值之间的喷氨量差值;
第三步、上述智能控制服务器使用上述第一训练数据集中的各个上述历史氮氧化物折算值,以及与上述第一训练数据集中的各个上述历史氮氧化物折算值相对应的各个喷氨量差值形成上述第二训练数据集。
具体的,发明人考虑到虽然已经使用第一训练数据集对于第一预测模型进行过线下训练,但是第一预测模型在对于水泥窑尾现场的喷氨量进行预测时,喷氨量预测值仍然会存在一定的喷氨量误差,为了能够得到精准的对于水泥窑尾现场的喷氨量预测值,避免氨气浪费,或者是避免喷氨后达不到想要的效果,发明人又提出了上述第二预测模型,第二预测模型将要预测的是第一预测模型对于水泥窑尾现场的喷氨量预测值与喷氨量实际值之间的喷氨量差值,上述第一步到上述第三步生成第二预测模型的第二训练数据集,首先把上述第一训练数据集中的多个历史氮氧化物折算值输入到第一预测模型,第一预测模型分别输出相应的对于水泥窑尾现场的喷氨量预测值,其次计算第一预测模型的这些喷氨量预测值与相应的喷氨量实际值之间的喷氨量差值,其中,喷氨量实际值即为第一训练数据集中的历史喷氨量,最后由第一训练数据集中的多个历史氮氧化物折算值,和相应的喷氨量差值组成上述第二训练数据集。
步骤三、在水泥窑尾现场中,物联网采集设备收集实时数据,上述实时数据包括实时氮氧化物折算值,并且上述物联网采集设备将收集的上述实时数据通过物联网发送给上述智能控制服务器,上述智能控制服务器将上述实时数据输入上述第一预测模型和上述第二预测模型,以得到与上述实时数据相对应的最终喷氨量预测值,同时上述智能控制服务器将上述最终喷氨量预测值通过物联网发送回水泥窑尾现场。
进一步的,上述智能控制服务器得到与上述实时数据相对应的最终喷氨量预测值,包括如下的步骤:
第一步、上述智能控制服务器将上述实时数据同时输入上述第一预测模型,以及上述第二预测模型,上述第一预测模型输出与上述实时数据中的上述实时氮氧化物折算值相对应的喷氨量预测值,并且上述第二预测模型输出与上述实时数据中的上述实时氮氧化物折算值相对应的上述第一预测模型的喷氨量预测值与相应的喷氨量实际值之间的喷氨量差值预测值;
第二步、上述智能控制服务器根据上述第一预测模型输出的喷氨量预测值和上述第二预测模型输出的上述喷氨量差值预测值,得到与上述实时数据中的上述实时氮氧化物折算值相对应的初始喷氨量预测值;
第三步、在预设的时间之后,基于得到的不同的上述实时数据的上述初始喷氨量预测值,分别计算各个上述初始喷氨量预测值与相应的喷氨量实际值之间的误差,当全部误差的平均值小于预设的误差平均值阈值时,此后使用上述第一预测模型和上述第二预测模型产生上述最终喷氨量预测值,反之,此后使用上述第一预测模型输出的喷氨量预测值与相应的喷氨量实际值之间的喷氨量差值,以及相应的上述实时数据来继续训练上述第二预测模型。
具体的,上述第一预测模型和上述第二预测模型都经过了线下训练,但是在进行线下训练时使用的是水泥窑尾现场的历史数据,并不能涵盖全部情况下的水泥窑尾现场中的氮氧化物折算值和喷氨量,为了提高第二预测模型的预测准确度,从而取得精准的对于水泥窑尾现场的喷氨量预测值,发明人对于经过线下训练的第二预测模型继续进行线上训练。
上述第一步到上述第三步给出了获取精准的对于水泥窑尾现场的喷氨量预测值的过程,首先将水泥窑尾现场的实时数据,也就是实时氮氧化物折算值分别输入第一预测模型和第二预测模型中,从而使得第一预测模型输出对于水泥窑尾现场的喷氨量预测值,使得第二预测模型输出第一预测模型的喷氨量预测值与喷氨量实际值之间的喷氨量差值预测值,其次根据第一预测模型的喷氨量预测值和第二预测模型的喷氨量差值预测值,得到对于水泥窑尾现场的初始喷氨量预测值,最后在固定的一段时间之后,对于得到的多个初始喷氨量预测值,分别计算他们和喷氨量实际值之间的误差,还计算多个初始喷氨量预测值的平均误差,如果该平均误差小于平均误差阈值的话,那么就说明通过此时的第一预测模型和此时的第二预测模型得到的初始喷氨量预测值是精准的,此后就可以直接使用他们在水泥窑尾现场预测喷氨量,如果该平均误差不小于平均误差阈值的话,那么就说明通过此时的第一预测模型和此时的第二预测模型得到的初始喷氨量预测值不是精准的,应该继续训练此时的第二预测模型,也可以选择继续训练第一预测模型,此时的训练数据集由第一预测模型的喷氨量预测值和相应的喷氨量实际值组成,在完成对于第二预测模型的一次线上训练后,重新获取新的初始喷氨量预测值,当多个新的初始喷氨量预测值的平均误差小于平均误差阈值时,结束线上训练,否则的话,继续重复在线上训练第二预测模型。
参考如图2所示,本发明还提供基于大数据和物联网的降低水泥窑尾氮氧化物的控制系统,包括控制模块,物联网模块,采集模块,用来实现如以上内容所描述的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,具体的,将各个模块的功能描述如下:
控制模块,用于获取水泥窑尾现场的历史数据,根据历史数据构建第一预测模型的第一训练数据集,以及基于训练后的第一预测模型的输出结果建立第二预测模型的第二训练数据集,并且用于训练第一预测模型和第二预测模型,还用于将实时数据输入第一预测模型和第二预测模型得到最终喷氨量预测值,并且将喷氨量预测值发送回水泥窑尾现场;
物联网模块,用于实现物联网通信技术,负责在控制模块和采集模块之间传送数据;
采集模块,用于收集水泥窑尾现场的历史数据和实时数据,并且将历史数据和实时数据通过物联网模块发送给控制模块,还用于接收来自控制模块的最终喷氨量预测值,以实现对于水泥窑尾现场的喷氨量的精准控制。
综上所述,本发明首先通过智能控制服务器获取水泥窑尾现场的历史数据,根据历史数据构建第一预测模型的第一训练数据集;其次通过智能控制服务器构建第一预测模型,同时使用第一训练数据集对于第一预测模型进行训练,并且通过智能控制服务器构建第二预测模型,还基于第一预测模型的输出结果建立第二预测模型的第二训练数据集,通过第二训练数据集训练第二预测模型;最后在水泥窑尾现场中,通过物联网采集设备收集实时数据,并且令智能控制服务器将实时数据输入第一预测模型和第二预测模型,以得到最终喷氨量预测值。本发明解决了人工操作现场设备进行喷氨时,难以精准掌握喷氨量,容易出现过量喷氨,造成的氨气浪费的技术问题,以及发生喷氨量不足,不能使窑尾烟气中的氮氧化物含量降低到符合环保标准的技术问题,本发明对于第一预测模型和第二预测模型进行了线上训练和线下训练,能够确保得到精准的喷氨量预测值,实现对于水泥窑尾现场的喷氨量的自动控制。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上上述的实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,其特征在于,包括如下的步骤:
智能控制服务器获取水泥窑尾现场的历史数据,所述历史数据包括历史氮氧化物折算值,以及与所述历史氮氧化物折算值相对应的历史喷氨量,并且所述智能控制服务器存储所述历史数据,根据所述历史数据构建第一预测模型的第一训练数据集;
所述智能控制服务器构建所述第一预测模型,同时通过所述第一训练数据集对于所述第一预测模型进行训练,并且所述智能控制服务器构建第二预测模型,还基于训练后的所述第一预测模型的输出结果建立所述第二预测模型的第二训练数据集,通过所述第二训练数据集训练所述第二预测模型;
在水泥窑尾现场中,物联网采集设备收集实时数据,所述实时数据包括实时氮氧化物折算值,并且所述物联网采集设备将收集的所述实时数据通过物联网发送给所述智能控制服务器,所述智能控制服务器将所述实时数据输入所述第一预测模型和所述第二预测模型,以得到与所述实时数据相对应的最终喷氨量预测值,同时所述智能控制服务器将所述最终喷氨量预测值通过物联网发送回水泥窑尾现场。
2.根据权利要求1所述的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,其特征在于,所述智能控制服务器存储所述历史数据,根据所述历史数据构建第一预测模型的第一训练数据集,包括如下的步骤:
从所述历史数据中随机选择预设个数的数据记录,一个数据记录包括一个所述历史氮氧化物折算值和相应的一个所述历史喷氨量,并且根据与每个数据记录相对应的喷氨结果对于每个数据记录进行标注;
将所述历史数据中的每个数据记录都表示为特征向量,并且基于所述特征向量对于各个数据记录进行聚类处理,以得到不同类别的数据记录,还舍弃其中的数据记录的个数少于预设的个数阈值的类别;
在不同类别的数据记录中,判断每个数据记录是否是进行过标注的数据记录,若是,则舍弃相应类别的数据记录,反之,则从相应类别的数据记录中随机选择预设个数的数据记录,并且根据与数据记录相对应的喷氨结果对于数据记录进行标注;
基于进行过标注的数据记录,从中选择喷氨结果为成功的全部的数据记录,并且形成所述第一训练数据集。
3.根据权利要求2所述的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,其特征在于,将所述历史数据中的每个所述数据记录都表示为特征向量的过程指的是,将每个所述数据记录的特征量按照预设的顺序排列形成相应的特征向量,所述特征量包括与所述数据记录相对应的水泥窑尾现场温度,以及水泥窑尾现场风速。
4.根据权利要求1所述的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,其特征在于,所述智能控制服务器构建第二预测模型,还基于训练后的所述第一预测模型的输出结果建立所述第二预测模型的第二训练数据集,包括如下的步骤:
所述智能控制服务器将所述第一训练数据集中的各个所述历史氮氧化物折算值输入到训练后的所述第一预测模型,所述第一预测模型分别输出与各个所述历史氮氧化物折算值相对应的喷氨量预测值;
所述智能控制服务器基于所述第一训练数据集,分别计算与所述第一训练数据集中的各个所述历史氮氧化物折算值相对应的各个所述历史喷氨量,和所述第一预测模型对于相应的各个所述历史氮氧化物折算值的喷氨量预测值之间的喷氨量差值;
所述智能控制服务器使用所述第一训练数据集中的各个所述历史氮氧化物折算值,以及与所述第一训练数据集中的各个所述历史氮氧化物折算值相对应的各个喷氨量差值形成所述第二训练数据集。
5.根据权利要求1所述的基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法,其特征在于,所述智能控制服务器得到与所述实时数据相对应的最终喷氨量预测值,包括如下的步骤:
所述智能控制服务器将所述实时数据同时输入所述第一预测模型,以及所述第二预测模型,所述第一预测模型输出与所述实时数据中的所述实时氮氧化物折算值相对应的喷氨量预测值,并且所述第二预测模型输出与所述实时数据中的所述实时氮氧化物折算值相对应的所述第一预测模型的喷氨量预测值与相应的喷氨量实际值之间的喷氨量差值预测值;
所述智能控制服务器根据所述第一预测模型输出的喷氨量预测值和所述第二预测模型输出的所述喷氨量差值预测值,得到与所述实时数据中的所述实时氮氧化物折算值相对应的初始喷氨量预测值;
在预设的时间之后,基于得到的不同的所述实时数据的所述初始喷氨量预测值,分别计算各个所述初始喷氨量预测值与相应的喷氨量实际值之间的误差,当全部误差的平均值小于预设的误差平均值阈值时,此后使用所述第一预测模型和所述第二预测模型产生所述最终喷氨量预测值,反之,此后使用所述第一预测模型输出的喷氨量预测值与相应的喷氨量实际值之间的喷氨量差值,以及相应的所述实时数据来继续训练所述第二预测模型。
6.基于大数据和物联网的降低水泥窑尾氮氧化物的控制系统,用于实现如权利要求1-5任一项所述的方法,其特征在于,包括如下的模块:
控制模块,用于获取水泥窑尾现场的历史数据,根据历史数据构建第一预测模型的第一训练数据集,以及基于训练后的第一预测模型的输出结果建立第二预测模型的第二训练数据集,并且用于训练第一预测模型和第二预测模型,还用于将实时数据输入第一预测模型和第二预测模型得到最终喷氨量预测值,并且将喷氨量预测值发送回水泥窑尾现场;
物联网模块,用于实现物联网通信技术,负责在控制模块和采集模块之间传送数据;
采集模块,用于收集水泥窑尾现场的历史数据和实时数据,并且将历史数据和实时数据通过物联网模块发送给控制模块,还用于接收来自控制模块的最终喷氨量预测值,以实现对于水泥窑尾现场的喷氨量的精准控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409565.6A CN115660211B (zh) | 2022-11-11 | 2022-11-11 | 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409565.6A CN115660211B (zh) | 2022-11-11 | 2022-11-11 | 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660211A true CN115660211A (zh) | 2023-01-31 |
CN115660211B CN115660211B (zh) | 2023-04-14 |
Family
ID=85021066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211409565.6A Active CN115660211B (zh) | 2022-11-11 | 2022-11-11 | 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660211B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0828249A (ja) * | 1994-07-14 | 1996-01-30 | Tokyo Electric Power Co Inc:The | 脱硝制御装置 |
US20060047347A1 (en) * | 2004-08-27 | 2006-03-02 | Alstom Technology Ltd. | Control of rolling or moving average values of air pollution control emissions to a desired value |
JP2012128800A (ja) * | 2010-12-17 | 2012-07-05 | Nippon Steel Engineering Co Ltd | プロセスの状態予測方法及びそれを用いたプロセス制御装置 |
CN111804146A (zh) * | 2020-06-29 | 2020-10-23 | 远光软件股份有限公司 | 一种智能喷氨控制方法以及智能喷氨控制装置 |
CN111968708A (zh) * | 2020-10-23 | 2020-11-20 | 浙江浙能技术研究院有限公司 | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 |
CN114558447A (zh) * | 2022-01-28 | 2022-05-31 | 中国大唐集团科学技术研究总院有限公司华北电力试验研究院 | 基于scr脱硝系统的喷氨量优化控制装置及控制方法 |
CN114999182A (zh) * | 2022-05-25 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于lstm回馈机制的车流量预测方法、装置及设备 |
CN115245735A (zh) * | 2022-06-16 | 2022-10-28 | 浙江省生态环境科学设计研究院 | 基于预测控制模型的水泥窑烟气iSNCR控制方法 |
-
2022
- 2022-11-11 CN CN202211409565.6A patent/CN115660211B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0828249A (ja) * | 1994-07-14 | 1996-01-30 | Tokyo Electric Power Co Inc:The | 脱硝制御装置 |
US20060047347A1 (en) * | 2004-08-27 | 2006-03-02 | Alstom Technology Ltd. | Control of rolling or moving average values of air pollution control emissions to a desired value |
JP2012128800A (ja) * | 2010-12-17 | 2012-07-05 | Nippon Steel Engineering Co Ltd | プロセスの状態予測方法及びそれを用いたプロセス制御装置 |
CN111804146A (zh) * | 2020-06-29 | 2020-10-23 | 远光软件股份有限公司 | 一种智能喷氨控制方法以及智能喷氨控制装置 |
CN111968708A (zh) * | 2020-10-23 | 2020-11-20 | 浙江浙能技术研究院有限公司 | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 |
CN114558447A (zh) * | 2022-01-28 | 2022-05-31 | 中国大唐集团科学技术研究总院有限公司华北电力试验研究院 | 基于scr脱硝系统的喷氨量优化控制装置及控制方法 |
CN114999182A (zh) * | 2022-05-25 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于lstm回馈机制的车流量预测方法、装置及设备 |
CN115245735A (zh) * | 2022-06-16 | 2022-10-28 | 浙江省生态环境科学设计研究院 | 基于预测控制模型的水泥窑烟气iSNCR控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115660211B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543295B (zh) | 数值天气预报的气象要素数据处理方法及装置 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN112651166B (zh) | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 | |
CN108153146B (zh) | 一种高炉多元铁水质量无模型自适应控制系统及方法 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN114240243B (zh) | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 | |
CN102354114A (zh) | 一种网络控制系统的随机时延建模方法 | |
CN109359866A (zh) | 基于租赁设备的风险隐患监控方法、装置和计算机设备 | |
CN113792682A (zh) | 基于人脸图像的人脸质量评估方法、装置、设备及介质 | |
CN104015190A (zh) | 一种不确定双向时延条件下的机器人远程控制方法和系统 | |
CN112054554A (zh) | 基于非参数统计的自适应分布鲁棒机组组合方法及系统 | |
CN112085285A (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN113469449A (zh) | 脱硫系统的寻优控制方法及系统 | |
CN115660211B (zh) | 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法 | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
CN113221458B (zh) | 盾构刀盘扭矩多步预测方法和系统 | |
Tian et al. | Wind speed forecasting based on Time series-Adaptive Kalman filtering algorithm | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN113108353B (zh) | 考虑热损非线性的变流量变温度区域供热系统调度方法 | |
CN113759709A (zh) | 策略模型的训练方法、装置、电子设备和存储介质 | |
CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
CN115392444B (zh) | 基于强化学习的无人机知识模型组合的参数寻优方法 | |
CN116629452B (zh) | 基于发电量的碳排放量预测方法、装置及存储介质 | |
US20240063637A1 (en) | Grid supply load predicting method, system using the same, and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Floor 11, Building 3, Fusheng International, No. 8-1 Xiangsheng Street, Zhengzhou Area (Zhengdong), Henan Pilot Free Trade Zone, Zhengzhou City, Henan Province, 450000 Patentee after: Tianrui Xinke (Henan) Digital Technology Co.,Ltd. Country or region after: China Address before: Tianrui Building, No. 63, Guangcheng East Road, Ruzhou City, Pingdingshan City, Henan Province, 467599 Patentee before: TIANRUI GROUP INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |